基于協(xié)同進(jìn)化和譜聚類的大規(guī)模數(shù)據(jù)集快速聚類方法研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展和各種傳感器的應(yīng)用，數(shù)據(jù)的獲取變得越來越容易，人類獲取的數(shù)據(jù)的數(shù)目也呈幾何型增長(zhǎng)。這帶來了一個(gè)嶄新的時(shí)代——大數(shù)據(jù)時(shí)代。數(shù)據(jù)量的增加，使得數(shù)據(jù)挖掘技術(shù)變得越來越重要。針對(duì)數(shù)據(jù)挖掘領(lǐng)域的重要手段之一的聚類算法，本文針對(duì)其存在準(zhǔn)確率低和效率低下等問題，提出了三種快速聚類方法，分別如下：
　　1.介紹了一種基于免疫協(xié)同進(jìn)化的聚類算法。這種算法在種群內(nèi)部通過克隆選擇的方法，選擇出適應(yīng)度較高的個(gè)體重新構(gòu)成種群，即種群內(nèi)部的競(jìng)

2、爭(zhēng)，完成種群內(nèi)部的進(jìn)化。隨后在種群之間進(jìn)行協(xié)同進(jìn)化操作，實(shí)現(xiàn)信息在種群之間的交換，也更符合生物進(jìn)化的過程。最后，通過與全局最優(yōu)個(gè)體組進(jìn)行比對(duì)，即所謂精英保留策略，選出具有最高的適應(yīng)度的個(gè)體，作為聚類的結(jié)果。通過將本文算法在八組 UCI數(shù)據(jù)和八組人工數(shù)據(jù)集上與其它類似聚類算法進(jìn)行對(duì)比，試驗(yàn)結(jié)果表明，本文提出的算法無論是在 UCI數(shù)據(jù)還是人工數(shù)據(jù)集上，聚類效果好于其它的聚類算法。
　　2.介紹了一種基于稀疏近鄰傳播抽樣的快速克隆選擇聚

3、類算法。首先找出所有數(shù)據(jù)的近鄰數(shù)據(jù)點(diǎn)，從而構(gòu)造出一個(gè)稀疏的相似度矩陣。其次，將稀疏的相似度矩陣作為近鄰傳播聚類算法的輸入，找出能夠代表其它數(shù)據(jù)的代表點(diǎn)。然后，將這些代表點(diǎn)作為克隆選擇聚類算法的輸入數(shù)據(jù)，從而將這些代表點(diǎn)分類。最后，將非代表點(diǎn)的數(shù)據(jù)點(diǎn)劃歸為其代表點(diǎn)所在的類，使得其它數(shù)據(jù)也映射到類中，完成整個(gè)聚類過程。在三組 UCI數(shù)據(jù)集和五組人工數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，相比于對(duì)比算法克隆選擇聚類算法，本文提出的算法均比對(duì)比算法運(yùn)行時(shí)間短，

4、且在兩組UCI數(shù)據(jù)集和三組人工數(shù)據(jù)集上的平均聚類準(zhǔn)確率高于對(duì)比算法。
　　3.介紹了一種基于稀疏近鄰傳播的快速譜聚類算法。首先通過構(gòu)造數(shù)據(jù)稀疏圖，從而簡(jiǎn)化了一般譜聚類算法構(gòu)造的稠密相似度矩陣，使其變?yōu)橐粋€(gè)稀疏的相似度矩陣。接著，采用近鄰傳播算法選擇出具有代表性的數(shù)據(jù)點(diǎn)。這樣輸入的是一個(gè)稀疏的相似度矩陣，所以近鄰傳播算法的時(shí)間復(fù)雜度大大降低。最后，對(duì)于這些代表點(diǎn)，采用LSC的方法，找到所有數(shù)據(jù)點(diǎn)所屬的類別。實(shí)驗(yàn)結(jié)果表明，在解決大規(guī)模